【摘要】：園林害蟲的防治任務(wù)是生態(tài)環(huán)境保護(hù)中最重要的工作之一。隨著退耕還林以及城鎮(zhèn)綠化政策的發(fā)展,人們對生活環(huán)境的要求不斷提高,園林植物的害蟲防治顯得尤為重要。園林害蟲的種類繁多,人工識別的成本頗高,同時難度頗大。隨著計(jì)算機(jī)視覺技術(shù)的興起,很多方法都被應(yīng)用到識別園林害蟲圖像中,并且在害蟲圖像識別、分類的任務(wù)上取得了較好的成果,其中包括一些傳統(tǒng)的圖像特征提取方式,如:視覺詞袋框架(bag-of-words,BOW)以及SIFT(Scale Invariant Feature Transform)特征檢測等。近幾年來,伴隨著深度學(xué)習(xí)的發(fā)展,各種深層次的網(wǎng)絡(luò)結(jié)構(gòu)逐漸進(jìn)入人們的視線,其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)被廣泛應(yīng)用于各種的分類任務(wù)中。由于CNN能夠自動的提取圖像中的特征,并且隨著不斷的訓(xùn)練,能夠提取出高級、抽象的特征,因此具有較強(qiáng)的表達(dá)能力,取得了更好的分類效果。傳統(tǒng)的CNN中的權(quán)重參數(shù)是使用點(diǎn)估計(jì)來表示,也就是所有的權(quán)重都是某個確定的數(shù)值,并且通過反向傳播等方法更新權(quán)重值。訓(xùn)練過程中使用dropout以及正則化等技術(shù)來防止出現(xiàn)過擬合現(xiàn)象,在實(shí)際應(yīng)用中取得了較好的效果。但是從概率學(xué)習(xí)的角度來看,傳統(tǒng)的CNN也存在著一定的弊端,例如:少量數(shù)據(jù)集上容易發(fā)生過擬合現(xiàn)象,并且對于訓(xùn)練集中沒有訓(xùn)練的類別的數(shù)據(jù),CNN會做出過于自信的分類結(jié)果,無法很好的的評估訓(xùn)練數(shù)據(jù)中的不確定性,在一定程度上缺少泛化能力。本文提出一種基于貝葉斯方法的卷積神經(jīng)網(wǎng)絡(luò)(Bayesian Convolutional Neural Network,BCNN)對常見的幾種園林害蟲圖像進(jìn)行分類,傳統(tǒng)的CNN中的每個權(quán)重參數(shù)都是點(diǎn)估計(jì)的形式,也就是權(quán)重值是某個值。但是在BCNN中,每個權(quán)重都是以一個高斯分布的形式來進(jìn)行初始化,通過變分等方法來近似后驗(yàn)分布、訓(xùn)練網(wǎng)絡(luò),更新每個概率分布的參數(shù)。為了降低模型的參數(shù)量以及訓(xùn)練成本,本文還提出了使用模型參數(shù)修剪的方法。由于BCNN中的每個權(quán)重參數(shù)都是以高斯分布的形式進(jìn)行初始化,并不是傳統(tǒng)的點(diǎn)估計(jì)形式,最終得到的模型相當(dāng)于多個模型的平均,所以提高了網(wǎng)絡(luò)的泛化能力,同時也有效避免了過擬合現(xiàn)象的發(fā)生。最后,使用相同的害蟲圖像數(shù)據(jù)集在不同的方法上進(jìn)行比較,根據(jù)得到的實(shí)驗(yàn)結(jié)果證明了本文所提出方法的有效性。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;S436.8
【圖文】：

網(wǎng)絡(luò)概述 網(wǎng)絡(luò)（ArtificialNeuralNetwok，ANN）是依據(jù)生物的大腦來的，大量連通的神經(jīng)元一起相互協(xié)作來解決復(fù)雜的問題于人的學(xué)習(xí)過程，在生物系統(tǒng)中學(xué)習(xí)涉及對突觸連接的調(diào)中的權(quán)重更新，并且通過對權(quán)重的不斷更新提高網(wǎng)絡(luò)的效器描述神經(jīng)元如何在人類的大腦中發(fā)揮作用的數(shù)學(xué)模型。如結(jié)構(gòu)，其中 等表示輸入值， 等表示每個輸入的權(quán)重參每個節(jié)點(diǎn)不同的強(qiáng)度，將每個輸入和權(quán)重的乘積加和的結(jié)可以使激活函數(shù)進(jìn)行上下的移動。將得到的結(jié)果作為激活神經(jīng)元的輸出結(jié)果為 (∑ + )。感知機(jī)是一種線性的還可以用于監(jiān)督學(xué)習(xí)，它有助于對給定的輸入數(shù)據(jù)進(jìn)行分

第 2 章 相關(guān)理論技術(shù)介紹經(jīng)過一個激活函數(shù)才能輸出作為下一層神經(jīng)元的輸入，激以應(yīng)用到非線性的模型中。紹幾種常見的激活函數(shù)：id 函數(shù)：sigmoid 的函數(shù)式如公式（2.3），其函數(shù)圖像為圖范圍控制在 0-1 之間，當(dāng)神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播時，若函梯度將會接近 0。當(dāng)梯度接近 0 時，會導(dǎo)致神經(jīng)元的權(quán)再繼續(xù)更新，這種情況叫做梯度消失，會影響網(wǎng)絡(luò)的訓(xùn)出值都大于 0，會導(dǎo)致 zigzag 現(xiàn)象的發(fā)生。f( ) =( )……………………………………

圖 2.3 sigmoid 激活函數(shù)活函數(shù)：ReLu 的函數(shù)式如公式（2.4），其函數(shù)圖如圖 2值 = 0，當(dāng) ≥ 0時， = ，ReLu 可以使網(wǎng)絡(luò)快速收也會出現(xiàn)梯度消失的情況。ReLu 更加適用于隱藏層的f( ) = max(0, )……………………………………

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

3 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

4 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

5 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

6 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

7 鮑偉強(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

8 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計(jì)研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2792721